Pandas DataFrame.merge MemoryError

Question

目标

我的目标是通过它们的共同列（基因名称）合并两个DataFrame，这样我就可以在每个基因行中获取每个基因得分的乘积。然后我会对患者和细胞进行groupby并对每个患者的所有分数求和。最终数据框应如下所示：

    patient  cell 
    Pat_1    22RV1    12
             DU145    15
             LN18      9
    Pat_2    22RV1    12
             DU145    15
             LN18      9
    Pat_3    22RV1    12
             DU145    15
             LN18      9

最后一部分应该可以正常工作，但由于MemoryError，我无法对基因名称进行第一次合并。以下是每个DataFrame的片段。

数据

cell_s =

    Description          Name                      level_2  0
0  LOC100009676  100009676_at  LN18_CENTRAL_NERVOUS_SYSTEM  1
1  LOC100009676  100009676_at               22RV1_PROSTATE  2
2  LOC100009676  100009676_at               DU145_PROSTATE  3
3          AKT3      10000_at  LN18_CENTRAL_NERVOUS_SYSTEM  4
4          AKT3      10000_at               22RV1_PROSTATE  5
5          AKT3      10000_at               DU145_PROSTATE  6
6          MED6      10001_at  LN18_CENTRAL_NERVOUS_SYSTEM  7
7          MED6      10001_at               22RV1_PROSTATE  8
8          MED6      10001_at               DU145_PROSTATE  9

cell_s约为10,000,000行

patient_s =

             id level_1  0
0          MED6   Pat_1  1
1          MED6   Pat_2  1
2          MED6   Pat_3  1
3  LOC100009676   Pat_1  2
4  LOC100009676   Pat_2  2
5  LOC100009676   Pat_3  2
6          ABCD   Pat_1  3
7          ABCD   Pat_2  3
8          ABCD   Pat_3  3
    ....

patient_s约为1,200,000行

代码

def get_score(cell, patient):
    cell_s = cell.set_index(['Description', 'Name']).stack().reset_index()
    cell_s.columns = ['Description', 'Name', 'cell', 's1']

    patient_s = patient.set_index('id').stack().reset_index()
    patient_s.columns = ['id', 'patient', 's2']

    # fails here:
    merged = cell_s.merge(patient_s, left_on='Description', right_on='id')
    merged['score'] = merged.s1 * merged.s2

    scores = merged.groupby(['patient','cell'])['score'].sum()
    return scores

我在最初read_csv这些文件时遇到了MemoryError，但是然后指定dtypes解决了这个问题。确认我的python is 64 bit也没有解决我的问题。我没有达到熊猫的限制，是吗？

Python 3.4.3 | Anaconda 2.3.0（64位）|熊猫0.16.2

Answer 1

考虑两种解决方法：

CSV by CHUNKS

显然，read_csv可能会遇到性能问题，因此大文件必须以迭代块的形式加载。

cellsfilepath = 'C:\\Path\To\Cells\CSVFile.csv'
tp = pd.io.parsers.read_csv(cellsfilepath, sep=',', iterator=True, chunksize=1000)
cell_s = pd.concat(tp, ignore_index=True)

patientsfilepath = 'C:\\Path\To\Patients\CSVFile.csv'
tp = pd.io.parsers.read_csv(patientsfilepath, sep=',', iterator=True, chunksize=1000)
patient_s = pd.concat(tp, ignore_index=True)

CSV VIA SQL

作为一个数据库人员，我总是建议处理大型数据加载和合并/加入SQL关系引擎，这种引擎可以很好地扩展到这些进程。我已经写了很多关于数据帧合并的评论Q / As这个效果 - 即使在R.你可以使用任何SQL数据库，包括文件服务器dbs（Access，SQLite）或客户端服务器dbs（MySQL，MSSQL或其他），甚至在哪里你的dfs派生了。 Python为SQLite维护一个内置库（否则你使用ODBC）;可以使用pandas to_sql：

将数据帧作为表推送到数据库中

import sqlite3

dbfile = 'C:\\Path\To\SQlitedb.sqlite'
cxn = sqlite3.connect(dbfile)
c = cxn.cursor()

cells_s.to_sql(name='cell_s', con = cxn, if_exists='replace')
patient_s.to_sql(name='patient_s', con = cxn, if_exists='replace')

strSQL = 'SELECT * FROM cell_s c INNER JOIN patient_s p ON c.Description = p.id;'
# MIGHT HAVE TO ADJUST ABOVE FOR CELL AND PATIENT PARAMS IN DEFINED FUNCTION

merged = pd.read_sql(strSQL, cxn)

Answer 2

你可能必须分成几块，或者看一下火焰。 http://blaze.pydata.org